Podstawowa biblioteka korekcyjna języka Python

Question

Obecnie pracuję z niektórymi danymi z Spectra Ramana i próbuję poprawić swoje dane spowodowane skrzywionym rozmyciem. Spójrz na poniższy wykres:

jestem całkiem blisko do osiągnięcia, czego chcę. Jak widać, próbuję dopasować wielomian do wszystkich moich danych, podczas gdy ja powinienem po prostu dopasować wielomian w lokalnych minimach.

Idealnie chciałbym mieć wielomian dopasowanie który po odjęciu od moich pierwotnych danych mogłoby spowodować coś takiego:

Czy istnieją wybudowany w bibliotekami, że robi to już?

Jeśli nie, to każdy prosty algorytm można dla mnie polecić?

Answer 1

Znalazłem odpowiedź na moje pytanie, po prostu dzielę się dla wszystkich, którzy się na to natknęli.

Istnieje algorytm nazwany "Asymmetric Least Squares Smoothing" autorstwa P. Eilers i H. Boelens w 2005 roku. Papier jest bezpłatny i można go znaleźć w google.

def baseline_als(y, lam, p, niter=10): 
    L = len(y) 
    D = sparse.csc_matrix(np.diff(np.eye(L), 2)) 
    w = np.ones(L) 
    for i in xrange(niter): 
    W = sparse.spdiags(w, 0, L, L) 
    Z = W + lam * D.dot(D.transpose()) 
    z = spsolve(Z, w*y) 
    w = p * (y > z) + (1-p) * (y < z) 
    return z 

Answer 2

wiem, że to jest stare pytanie, ale stumpled na nim kilka miesięcy temu i wdrożone równoważną odpowiedź korzystając spicy.sparse rutyny.

# Baseline removal                        

def baseline_als(y, lam, p, niter=10):                   

    s = len(y)                        
    # assemble difference matrix                    
    D0 = sparse.eye(s)                      
    d1 = [numpy.ones(s-1) * -2]                    
    D1 = sparse.diags(d1, [-1])                    
    d2 = [ numpy.ones(s-2) * 1]                    
    D2 = sparse.diags(d2, [-2])                    

    D = D0 + D2 + D1                       
    w = np.ones(s)                       
    for i in range(niter):                     
     W = sparse.diags([w], [0])                   
     Z = W + lam*D.dot(D.transpose())                 
     z = spsolve(Z, w*y)                     
     w = p * (y > z) + (1-p) * (y < z)                  

    return z 

Cheers,

Pedro.